Петрофизическое моделирование. Обзор

1. Петрофизическое моделирование Обзор

Ключевые моменты
Различные распределения
петрофизических свойств в различных
фациях
Различные тренды
Пространственная вариация для
каждого петрофизического параметра
Корреляция между параметрами
Создайте петрофизические свойства, важные для добычи

2.

Петрофизическое моделирование
Методы моделирования непрерывных свойств в Petrel
Методы, рассматриваемые в курсе:
Детерминистические: Единственный результат
Кригинг
Стохастические: Множество равновероятных реализаций
SGS
GRFS

3. Петрофизическое моделирование Входные данные для моделирования

Скважинные данные:
перемасштабированные каротажи
Распределение: гистограмма
Вариограмма (пространственная модель):
- Направление, тип модели, наггет и плато
- Три ранга вариограммы
Фациальная модель
Пространственные тренды: Из
сейсмики/аналогичных свойств и т.д.
Вторичный параметр

4. Петрофизическое моделирование Статистический анализ данных – Непрерывные свойства

Преобразование данных: распределение данных и
пространственные тренды
Анализ вариограммы: изменение в пространстве
Корреляция: зависимость между параметрами
В интервалах (зонах) и фациях: сохранение степени
похожести и различия

5. Петрофизическое моделирование Процесс Data analysis – Распределение (в отдельной фации)

Гистограмма для разных фаций:
Подходит гистограмма или нуждается в редакции?
Channel
Phi =0.22
Shale
Phi = 0.02
Исходное
распределение в
одной фации
Lobe
Phi = 0.10

6. Петрофизическое моделирование Что такое преобразование данных?

Преобразование данных – это трансформация реальных данных во внутренние.
Последовательно могут быть произведены несколько преобразований. До запуска
алгоритма моделирования используется преобразование к стандартному
нормальному распределению (Normal Score Среднее =0, ст. отклонение=1.)
Распределение
входных данных
(каротажи)
Normal Score
преобразование
m=0,s=1
Обратное преобразование
Распределение
результата
(3D свойство)
Обратное преобразование будет автоматически произведено в обратном
порядке для сохранение пространственного тренда и исходного распределения
данных в получившемся свойстве.

7. Петрофизическое моделирование Процесс Data analysis – Преобразование (Распределение)

Усечение исходного распределения
Аномальное
распределение
пористости в песке
(цементирование)
Усекает исходное распределение для
удаления нехарактерных значений или
помещения их в соседний интервал
Output truncation не отображается в
виде гистограммы, так как
применяется уже после
моделирования как ограничение
функции распределения
Усекает получившийся результат при
обратном преобразовании данных для
получения величин в желаемом интервале

8. Петрофизическое моделирование Процесс Data analysis – Преобразование (Форма и шкала)

Изменение формы распределения
Гамма-распределение
проницаемости
Не требует входных параметров
Логнормальное
распределение
проницаемости
Убирает ассиметрию данных
и приближает к нормальному
распределению

9. Петрофизическое моделирование Процесс Data analysis – Преобразование (Сдвиг/Шкала/Форма)

Изменение интервала распределения и шкалы
Mean por = 0.21
Сдвиг данных по среднему и
масштабирование по стандартному
отклонения – после пространственных преобразований
New target mean = Input mean shift - real mean / std.dev
Кривая может быть
отредактирована
Заставляет любое распределение
принять форму нормального (m=0,
std=1)
Mean por = 0.11

10. Петрофизическое моделирование Процесс Data analysis – Преобразование (Тренды)

Тренды должны быть убраны из данных для того, чтобы обеспечить их
стационарность. Они могут быть 1D (вертикальные, связанные с влиянием
глубины), 2D (латеральное изменение фаций) или 3D (другое свойство,
коррелирующее с данным).
Последовательность действий:
Есть ли тренд?
Пористость - Реальная
Нет стационарности
0.1
Если есть, вычесть его из данных.
Рассматривается остаточное свойство
(исходное минус гладкий тренд).
-0.1
Устранение тренда
0.1
0.4
Моделируется остаточное свойство.
Тренд добавляется к смоделированному
свойству (во время обратных
преобразований).
Пористость - Остаточная
Стационарность
0.2
Тренд = 0.2
+0.2
-0.1
0
Нет тренда

11. Петрофизическое моделирование Как происходит 1D Trend преобразование в Petrel

Как использовать 1D Trend in the Data Anlysis process:
Закиньте 1D trend, используя голубую стрелку и выберите Show: Input.
Выберите в качестве тренда кривую регрессии или любую другую
Выберите Show: Output для отображения распределения в остаточном свойстве
Активировать/
деактивировать
Синяя линия показывает
примененный тренд
Удаление тренда
Полученное распределение
Исходное распределение

12. Петрофизическое моделирование Пример последовательности преобразований

До моделирования Petrel выполнит следующее
преобразование :
1. Усечение входного распределения (т.е.
исключение выбросов)
2. Удаление1D тренда (это необходимо при
наличии тренда)
3. Преобразование данных к нормальному
распределению (т.е. преобразование набора
данных в распределение со средним 0, ст. кв.
отклонением 1)
После моделирования: обратное
преобразование данных:
1. Отмена преобразования к нормальному
распределению
2. Добавление 1D тренда, который был удален
3. Усечение выходного распределения,
соответствующее установкам, заданным в
преобразовании Output Truncation.

13. Петрофизическое моделирование Процесс Data analysis – Анализ вариограммы

Вариограмма рассчитывается на
основе преобразованных данных.
Измеряет изменчивость с
расстоянием.
Рассчитывается в 3 направлениях:
– Горизонтальное главное
– Горизонтальное второстепенное
– Вертикальное
Конус поиска лагами определяет
пары точек
Точки = Экспериментальная
вариограмма
Линия = Кривая регрессии
Линия = Модельная вариограмма
Гистограмма = Количество пар
1
h
2Nh
2
Nh
i 1
( i h )
i

14. Петрофизическое моделирование Вариограмма – Конус поиска

Рекомендуемая длина
лага:
Y ось
Вертикальная
= толщина ячейки
= интервал каротажа
Пространственная
= расстояние между
скважинами
60o
X ось

15. Петрофизическое моделирование Процесс создания вариограммы

Вертикальная вариограмма
– большое количество данных
– легко сделать оценку
Соответствие модели экспериментальной вариограмме
– сферическая, гауссовская, экспоненциальная
Горизонтальная вариограмма
– обычно мало данных, тяжело сделать хорошую
вариограмму
– Может быть:
• основана на геологических знаниях
• построена на основе коррелирующих данных

16. Петрофизическое моделирование Вариограмма – Использование вторичных данных для построения горизонтальной вариограммы

Первичные данные
Vertical
Nugget
Vertical range
Horizontal ranges
Major
Вторичные данные

17. Упражнение